EvoAgent: 基于进化算法的多智能体自动生成方法

这是可索引项目报告证据页：它保留 EvoAgent: 基于进化算法的多智能体自动生成方法 的源材料入口、机制线索和限制提醒；正文仍需 reader/editor 与 academic public-copy review 后才能当作最终结论引用。

EvoAgent: 基于进化算法的多智能体自动生成方法

基本信息

项目简介

EvoAgent 是一种将进化算法应用于多智能体系统自动生成的通用方法。核心思想是将智能体类比为生物个体，模拟人类社会中的繁衍和进化机制，从预定义的专家智能体出发，自动生成多样化的多智能体系统。项目在 NLP 推理任务、多模态任务（MMMU）、交互式科学问题求解（ScienceWorld）和旅行规划（TravelPlanner）等多种场景中验证了方法的有效性。

核心理念：每个 Agent 可视为”个体”，通过多代繁衍扩充”种群”，实现从单个专家 Agent 到多 Agent 系统的自动化扩展。

目录结构

evoagent/
├── spp/                          # ★ Solo Performance Prompting 实验
│   ├── llm_evoagent.py           # ★ 主入口（NLP 任务）
│   ├── llm_evoagent_codenames.py # Codenames 协作任务
│   ├── agent_prompt_writing.py   # 写作任务 Agent 提示
│   ├── agent_prompt_logic.py     # 逻辑推理 Agent 提示
│   ├── agent_prompt_code.py      # 代码任务 Agent 提示
│   ├── util_func.py              # ★ 工具函数（进化核心逻辑）
│   └── data/                     # 任务数据集
├── mmmu/                         # 多模态 MMMU 实验
│   ├── run_evoagent.py           # MMMU 入口
│   ├── agent_prompt.py           # 多模态 Agent 提示
│   └── llm.py                    # LLM 封装
├── scienceworld/                 # ★ ScienceWorld 交互实验
│   ├── eval_evoagent.py          # ScienceWorld 评估入口
│   ├── collaboration_prompt.py   # 协作提示
│   ├── metrics.py                # 评估指标
│   └── prompts/                  # 提示模板
├── travelplanner/                # 旅行规划实验
│   └── tools/planner/            # 规划工具
└── assets/
    └── framework.png             # 框架图

核心模块分析

1. 进化式 Agent 生成（util_func.py）

EvoAgent 的核心进化逻辑在 util_func.py 中实现，主要包括：

• 协作函数（collaboration_func）：实现多 Agent 协作的进化循环
• 自精炼函数（refine_func）：实现自我反思改进的基线方法
• 评估构建（evaluator_construction）：统一封装 LLM 调用与结果解析

# 进化式 Agent 协作的核心流程
def collaboration_func(ind, question, answer, model_name, data_type):
    # ind = 进化迭代次数
    # 每轮迭代：
    # 1. 基于当前答案生成反馈 Agent
    # 2. 反馈 Agent 评估并提出改进建议
    # 3. 新 Agent 根据建议生成改进答案
    # 4. 选择最优答案作为下一代输入
    i = 0
    answer_list = []
    while i < ind:
        prompt = feedback_agent_prompt.format(question=question, answer=answer)
        feedback_description = evaluator_construction(messages, model_name, question, data_type)
        prompt = self_refine_agent_prompt.format(question=question, answer=answer, feedback=feedback_description)
        new_answer = evaluator_construction(messages, model_name, question, data_type)
        answer_list.append({"time": i, "results": answer, "refine": feedback_description, "new_results": new_answer})

2. Agent 提示工程（agent_prompt_*.py）

每个任务领域有独立的提示模块，包含三类 Agent 的提示模板：

• 初始 Agent：直接处理原始任务输入
• 反馈 Agent：分析当前答案的质量，提出改进建议
• 改进 Agent：根据反馈生成改进版本

以写作任务为例，提示模板包括：

• feedback_agent_prompt：评估写作质量并给出反馈
• self_refine_agent_prompt：基于反馈进行自我修正
• evo_agent_prompt：基于反馈和其他 Agent 的输出生成新答案

3. 多场景评估

EvoAgent 支持四类评估场景：

4. 选择策略

EvoAgent 提供多种种群选择策略（SELECT_STRATEGY）：

• random：随机选择 Agent 参与协作
• all：全部 Agent 参与协作
• pk：基于历史表现的排序选择

技术亮点

1. 生物进化类比：将 Agent 视为生物个体，通过”繁衍”和”选择”机制自动生成多智能体系统，降低了多智能体系统设计的门槛
2. 通用框架设计：方法不依赖于特定的 Agent 架构或 LLM，可应用于从文本推理到多模态、从静态任务到交互环境的广泛场景
3. 自反射与协作结合：每个 Agent 既具备自我反思改进能力，又能在多 Agent 协作中通过交叉学习产生可比较的输出变化
4. 迭代式种群生成：通过 GROUP_NUM 控制每轮生成的 Agent 数量，通过 IND 控制进化迭代次数，实现灵活的计算预算分配
5. 兼容多种 LLM：支持 OpenAI GPT 系列、Google Gemini 以及本地部署的 LLaMA 模型

与 Self-Evolve 关联

参考资料

• EvoAgent 论文
• EvoAgent 网站
• ScienceWorld
• TravelPlanner